随着科技日新月异与社会的快速发展,目前,人脸特征点检测技术已经被广泛使用,与此同时也逐渐渗透到人们的生活中。例如,人脸识别、头部姿势估计,面部重塑和3D面部重建。目前,人脸特征点检测备受关注,大部分研究主要是从面部轮廓和姿势的丰富变形、人脸的不同表情以及人脸遮挡物等方面进行学习以获取辨别特征。一个十分典型的框架就是通过卷积神经网络或者手动制作的人脸特征来构建描绘人脸面部外观和轮廓信息特征,然后通过模型学习,将信息特征值映射到人脸定位的相应位置。然而,大部分关于人脸特征点检测方法的研究都忽视了面部图像风格变化的问题。在现实生活当中,我们所收集的人脸图像风格是存在差异性的,光与暗、灰度图像与彩色图像、强烈与黯淡、沉闷对比等。人脸图像风格的变化也将导致检测结果的偏差,降低人脸检测的准确性。为了解决上述所存在的相应问题,本文在卷积神经网络的基础上,对人脸特征点检测的相关方法进行了充分的研究,论文的主要研究内容以及所提出的创新点如以下所述:首先,在对卷积神经网络学习的基础上,提出了一种新的人脸特征点检测算法,本文利用原始人脸图像和风格聚合人脸图像的互补特点,降低了检测器对于人脸图像风格变化的敏感性,增强了人脸特征点检测的鲁棒性。然后,研究和实现一种基于人脸图像多重风格的特征点检测方法。在对现有CycleGAN网络模型改良的基础上,本文的人脸特征点检测方法分为两部分进行研究:1)利用生成性对抗网络保留输入图像结构,转换图像风格,以此生成风格聚合的人脸图像集合;2)基于风格聚合的人脸图像集合,再次输入原始人脸图像,利用风格聚合人脸图像和原始人脸图像的互补优势,进而生成更强大的特征点检测。最后,通过对相应的实验进行设计以此对本文方法的正确性及有效性进行有关验证。主要是在300-W和AFLW人脸数据库中进行试验,获取实验结果。